TV-KÄÄNTÄMISEN AMMATILLISTUMINEN - \nTarkastelun kohteena Suomen television pioneeriajan kääntäjät
Bibliographic record
Abstract
Televisiokääntämisestä on kirjoitettu tutkielmia, mutta yleensä on keskitytty siihen, millaista tv-kääntäminen on prosessina. Koska tv-kääntäjistä henkilöinä on kirjoitettu varsin vähän halusin itse kohdistaa tutkielmani tv-kääntäjiin henkilöinä ja pyrkiä saamaan selville, miten he aikoinaan alalle tulivat, mikä oli heidän koulutuksensa, ja millaisena he työnsä kokivat. Samalla olen pyrkinyt kuvaamaan, miten tv-kääntäjän työ ammatillistui ja sai sen professiostatuksen mikä sillä tänä päivänä on.\n\nTutkimusaineistoni empiirinen aineisto kostuu Yleisradion tekemistä haastatteluista, joissa kuutta television pioneeriajan kääntäjää oli haastateltu suunniteltua historiikkia varten. Aineiston analyysissä keskityn koulutusta, työnkuvaa sekä ammatillistumista käsitteleviin diskursseihin. Lisämateriaalia aiheeseeni sain asioiden kulussa mukana ollutta tv-suomentajaa, Marsa Lainetta, haastattelemalla sekä tutkimalla hänen kirjoittamiaan artikkeleita vuoden 1981, 1984 ja 1985 Kääntäjä-lehdissä.\n\nTutkielmani tavoitteena oli selvittää yllä mainittujen kysymysten lisäksi myös, mikä heidän työssään oli hauskinta, mikä kurjinta, miten laitteet kehittyivät, ja missä vaiheessa heille muodostui tv-kääntäjän identiteetti.\n\nNyt, 50 vuotta Suomen televisiotoiminnan aloittamisen jälkeen, voidaan todeta, ettei tv-kääntäjistä koskaan tullut samalla lailla tunnettuja kuin alkuaikojen television kuuluttajista ja uutistenlukijoista. Tekstityksen käyttöönotolla on sen sijaan ollut erittäin tärkeä merkitys muun muassa suomalaisten kielitaidon kohottajana.\n\nAvainsanat: tv-kääntäjä, television pioneeriaika, Suomen televisio, ammatillistuminen
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.065 | 0.012 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".